知识管理如何定义（一文详解启发式对话中的知识管理）

知识管理如何定义（一文详解启发式对话中的知识管理）知识在这里边分为两种，一种是知识图谱，严格的知识图谱，这里边 KG 的这部分。另外一些是语言的知识，比如说语言的搭配、语言语法的转换、拼写的问题、领域的问题，实际上还包括一些领域词的问题，相似词、同义词，这些东西在自然语言发展，这么多年实际上已经积累了很多这方面的知识，但是这些东西在现在深度学习里边实际上很难结合进去。不管是深度学习，还是传统机器学习，在对话的 NLU 以及对话管理中的一些方法或者作用，前面讲的都是一些现有的方法，怎么来做的，但是它里边都会有一些问题，机器学习的方法很多时候，如果生成式的那就不好控制它到底生成的和这个相关还是不相关，很难判断。如果是检索式的，用户说的这句话，不管怎么着都会给它一个检索答案，到底这个答案是给用户还是不给用户，用户说了一个不相关的问题，我可能也会给它检索出来一个答案，答案是给还是不给？这也是一个问题。实际上这里边就用到知识，这个过程中就非常重要了

我们来看一下用强化学习来做对话，简单总结一下，在一个状态 S 下它可能有 m 种操作，我们不知道这个 m 种操作哪一种能带来什么样的回报，所以我们做一个探索，去探索每一种可能操作的回报，利用这种回报做一个响应，做一个决策或者对这个回报做一个打分。

另外也有用对抗网络做的，但对抗网络有一个问题，实际上也不太好控制，并且有些情况下可能会强制这些对话的走向，并且对抗网络它的稳定性也是一个问题，这个训练过程中的稳定性也是一个问题。

不管是深度学习，还是传统机器学习，在对话的 NLU 以及对话管理中的一些方法或者作用，前面讲的都是一些现有的方法，怎么来做的，但是它里边都会有一些问题，机器学习的方法很多时候，如果生成式的那就不好控制它到底生成的和这个相关还是不相关，很难判断。如果是检索式的，用户说的这句话，不管怎么着都会给它一个检索答案，到底这个答案是给用户还是不给用户，用户说了一个不相关的问题，我可能也会给它检索出来一个答案，答案是给还是不给？这也是一个问题。实际上这里边就用到知识，这个过程中就非常重要了。

知识在这里边分为两种，一种是知识图谱，严格的知识图谱，这里边 KG 的这部分。另外一些是语言的知识，比如说语言的搭配、语言语法的转换、拼写的问题、领域的问题，实际上还包括一些领域词的问题，相似词、同义词，这些东西在自然语言发展，这么多年实际上已经积累了很多这方面的知识，但是这些东西在现在深度学习里边实际上很难结合进去。

通过上面提到的相似度计算模型我们可以完成前面说的自然语言的相似度计算的问题，但是我们给了这个答案很有可能是不对的，所以说经过这些语言的特征以及 KG 的知识，把知识作为验证候选的证据，深度语义模型给出多个候选答案，我们对于这种可能的各种侯选，通过知识图谱或者语言现象对它做一个分析，然后去找到一些证据，这些证据再来验证去选哪一个答案。因为一般情况下对于直接用严格的知识图谱来解析一个问题的时候有一个问题，很多时候我们无法严格地去解析出来这个问题，只能解析出来一部分。

附葛付江老师建议，及相关基础内容的工具包。